Was ist FinRL?
FinRL trainiert Agenten mit Deep Reinforcement Learning für den Handel. Es verpackt Marktdaten in Umgebungen im Gym-Stil, trainiert Agenten wie A2C, DDPG, PPO, TD3 und SAC über Stable Baselines 3 oder ElegantRL und testet sie im Backtest gegen einfache Vergleichsgrößen. Die Pipeline läuft in drei Schritten durch Training, Test und Handel, mit Beispielanwendungen für Aktienhandel, Portfolioallokation, Kryptowährungen und Hochfrequenzhandel.
Die AI4Finance Foundation veröffentlichte es erstmals 2020 und stellte es auf einem Workshop der NeurIPS 2020 vor. Das README beschreibt dieses Repository inzwischen als ursprünglichen Rahmen für Lehre, Benchmarks und Forschungsprototypen und schickt alle, die Produktions- oder Live-Handelssysteme bauen, zu FinRL-X in einem eigenen Repository, FinRL-Trading.
Die Datenlader decken 15 Quellen ab, darunter Yahoo Finance, Alpaca, Binance, CCXT, WRDS und mehrere chinesische Marktdatenquellen. Der Code steht unter MIT-Lizenz, und das README stellt klar, dass nichts darin eine Finanzberatung ist.
Lohnt sich FinRL?
FinRL ist ein Lehrrahmen, der zufällig 17.100 GitHub-Sterne hat. Die Maintainer sagen das offen: Das README verweist neue Nutzer, die Produktion oder Live-Handel wollen, auf FinRL-X, eine Neufassung im Repository FinRL-Trading mit rund 3.950 Sternen, und behält dieses Repository für den klassischen Ablauf aus Training, Test und Handel.
Als Lernwerkzeug ist es gut durchdacht. Das Tutorial für 2026, hinzugefügt in v0.3.8 am 20. März 2026, lädt den Dow 30 von Yahoo Finance, trainiert auf 2014 bis 2025, handelt vom 1. Januar bis 20. März 2026 und vergleicht fünf Agenten mit einem Mean-Variance-Portfolio und dem DJIA. Drei kurze Skripte führen von den Daten zum Backtest-Diagramm, was den Abstand zwischen einer gelernten Strategie und einer langweiligen Vergleichsgröße gut sichtbar macht.
Die Schwächen sind die, auf die es im Finanzbereich ankommt. Bis Oktober 2026 nutzte das Tutorial die heutigen Dow-Mitglieder für vergangene Jahre, ein Survivorship Bias, der Ergebnisse schönt; ein gemergter Fix nutzt jetzt die Zusammensetzung zum jeweiligen Zeitpunkt, und dass das so lange dauerte, sagt etwas darüber, wie sorgfältig frühere Ergebnisse geprüft wurden. Live-Handel ist laut der Vergleichstabelle von FinRL-X eine einfache Alpaca-Anbindung ohne Risikokontrollen auf Orderebene, und Yahoo Finance, die Standardquelle, ist auf 2.000 Anfragen pro Stunde begrenzt. 327 Issues und Pull Requests sind offen.
Das Repository wird weiter gepflegt, mit gemergten Fixes bis zum 25. Oktober 2026, aber das README ist eindeutig: Neue Entwicklung gehört zu FinRL-X. FinRL lohnt sich für die Ideen und die Paper; Geld gehört in etwas mit echten Risikokontrollen.
Wo es sich lohnt
Ein Masterstudent der quantitativen Finanzwirtschaft
Ein Trading-Ergebnis mit Reinforcement Learning für ein Kapitel der Abschlussarbeit nachbauen
Die drei Tutorial-Skripte für 2026 auf dem Laptop ausführen, eine andere Tickerliste oder einen anderen Zeitraum einsetzen und die fünf Agenten mit Mean-Variance und DJIA vergleichen. Die Software ist kostenlos; Daten von Yahoo Finance kosten innerhalb von 2.000 Anfragen pro Stunde nichts.
Eine Hochschuldozentin mit einem Modul zu maschinellem Lernen in der Finanzwirtschaft
Studierenden eine Codebasis geben, in der sie die Belohnung ändern und die Folgen sehen
Die Aktienhandelsumgebung im Gym-Stil von FinRL in Notebooks nutzen, die Studierenden Belohnungsfunktion oder Merkmale ändern lassen und besprechen, warum der Fix gegen den Survivorship Bias vom Oktober 2026 den Backtest verändert.
Ein Quant-Entwickler bei einem kleinen Fonds, der Reinforcement Learning prüft
Entscheiden, ob RL-Timing-Signale ein richtiges Forschungsprojekt wert sind
Mit FinRL über einen eigenen Datenlader auf den Daten des Fonds prototypisch arbeiten und Vielversprechendes dann zu FinRL-X oder auf eigene Infrastruktur bringen, da FinRL Risikokontrollen auf Order- und Portfolioebene fehlen.
Bevor du dich festlegst
- Einrichtung
- Repository klonen, eine virtuelle Python-Umgebung anlegen und pip install -e . ausführen; die drei Tutorial-Skripte laden dann Daten, trainieren und testen auf einem Laptop.
- Integrationen
- Stable Baselines 3 und ElegantRL für die Agenten; Daten von Yahoo Finance, Alpaca, Binance, CCXT, WRDS, QuantConnect, EOD Historical Data, Tushare, Akshare und weiteren; Alpaca für Papier- oder Live-Handel.
- Daten und Datenschutz
- Läuft vollständig auf deinem Rechner; Marktdaten kommen von den Anbietern, die du einstellst, zu deren Bedingungen. Das README hält fest, dass es für akademische Zwecke geteilt wird und keine Finanzberatung ist.
- Grenzen
- Yahoo Finance erlaubt 2.000 Anfragen pro Stunde; Live-Handel ist eine einfache Alpaca-Anbindung ohne Risikomanagement auf Orderebene; die Produktionsarbeit der Maintainer ist zu FinRL-X gewandert; 327 offene Issues und Pull Requests.
Was gut ist
- Vollständige Pipeline von Daten bis Backtest in drei Skripten
- Fünf Standard-Agenten im Vergleich mit einfachen Vergleichsgrößen
- Datenlader für 15 Marktdatenquellen
- MIT-Lizenz und lange Publikationsgeschichte
Was nicht
- Maintainer schicken Produktionsnutzer zu FinRL-X
- Survivorship Bias im Tutorial erst im Oktober 2026 behoben
- Nur einfache Alpaca-Anbindung für Live-Handel
- 327 offene Issues und Pull Requests
Am besten für
Studierende und Forschende, die eine funktionierende Referenz für Deep Reinforcement Learning im Handel suchen, kein System, über das Geld läuft.
Alternativen zu FinRL
FinRL: häufige Fragen
- Lohnt sich FinRL?
- FinRL ist ein guter Weg zu lernen, wie Reinforcement Learning auf Märkte angewendet wird, und eine schlechte Grundlage für den Handel mit echtem Geld, was sein eigenes README inzwischen fast wörtlich sagt. Wir bewerten es mit 3.5 von 5.
- Was kostet FinRL?
- Kostenlos unter der MIT-Lizenz. Es gibt keine gehostete oder kostenpflichtige Stufe; Kosten sind deine Rechenleistung und etwaige bezahlte Marktdaten-Abos.
- Welche Nachteile hat FinRL?
- Maintainer schicken Produktionsnutzer zu FinRL-X; Survivorship Bias im Tutorial erst im Oktober 2026 behoben; Nur einfache Alpaca-Anbindung für Live-Handel; 327 offene Issues und Pull Requests.
- Für wen eignet sich FinRL?
- Studierende und Forschende, die eine funktionierende Referenz für Deep Reinforcement Learning im Handel suchen, kein System, über das Geld läuft.
- Ist FinRL sicher für Firmendaten?
- Läuft vollständig auf deinem Rechner; Marktdaten kommen von den Anbietern, die du einstellst, zu deren Bedingungen. Das README hält fest, dass es für akademische Zwecke geteilt wird und keine Finanzberatung ist.
- Was sind die besten Alternativen zu FinRL?
- Die nächsten Alternativen, die wir getestet haben, sind Kronos und TimesFM.
Antworten geprüft am 16. Nov. 2026.